融合坐标注意力与多尺度特征的轻量级安全帽佩戴检测

针对现有煤矿工人安全帽佩戴检测算法存在检测精度与速度难以取得较好平衡的问题,以YOLOv4模型为基础,提出了一种融合坐标注意力与多尺度的轻量级模型M-YOLO,并将其用于安全帽佩戴检测。该模型使用融入混洗坐标注意力模块的轻量化特征提取网络S-MobileNetV2替换YOLOv4的特征提取网络CSPDarknet53,在减少相关参数量的前提下,有效改善了特征之间的联系;将原有空间金字塔池化结构中的并行连接方式改为串行连接,有效提高了计算效率;对特征融合网络进行改进,引入具有高分辨率、多细节纹理信息的浅层特征,以有效加强对检测目标特征的提取,并将原有Neck结构中的部分卷积修改为深度可分离卷积,在保证检测精度的前提下进一步降低了模型的参数量和计算量。实验结果表明,与YOLOv4模型相比,M-YOLO模型的平均精度均值仅降低了0.84%,但计算量、参数量、模型大小分别减小了74.5%,72.8%,81.6%,检测速度提高了53.4%;相较于其他模型,M-YOLO模型在准确率和实时性方面取得了良好的平衡,满足在智能视频监控终端上嵌入式加载和部署的需求。

基于注意力机制的自然场景文本检测算法

针对目前主流场景文本检测算法在进行多尺度特征融合时不能够充分利用高、低层信息造成的文本漏检,以及长文本边界检测错误的问题,本文提出一种应用注意力机制的多尺度特征融合与残差坐标注意力的场景文本检测算法。该算法将注意力特征融合模块嵌入到金字塔中,通过纠正不同尺度特征的不一致性来提取更多的细节信息,以改善文本的漏检;在融合之后,使用残差坐标注意力模块在纵、横两个方向上捕获方向感知和位置敏感信息,细化边界信息,以优化长文本检测的效果。通过在公开数据集ICDAR 2015和Total-Text上的实验结果表明,该算法在F分数上分别达到了85.5%和83.6%,在推理速度上分别达到了22.4 FPS和40 FPS,相较于DBNet网络,在推理速度上略有下降,但在F分数上分别提高3.2%和0.8%。

基于YOLOv5-CP的复杂环境下油茶果检测

为解决复杂环境下油茶果的检测精度不高的问题,提出一种YOLOv5-CP的油茶果检测方法。首先利用RealSense D435i深度相机在自然场景下采集各种环境下的油茶果图像,使用LabelImg软件进行油茶果的标注;然后引入Cutout数据增强方法和坐标注意力模块(Coordinate Attention),以及提出一种改进的PANet特征提取层对YOLOv5模型进行优化,构建一种新的油茶果检测模型YOLOv5-CP;最后将YOLOv5-CP与现有模型在复杂环境下进行油茶果检测对比试验。试验表明:YOLOv5-CP模型的检测准确率、召回率以及平均精度分别为98%、94.6%以及98.4%,遮挡和重叠环境下对比原YOLOv5模型检测准确率分别提升11.3%和10.8%。本文方法有效提升油茶果检测过程中遮挡、重叠等复杂环境下果实的检测准确率,为后续开发油茶采摘机器人提供理论基础。

基于改进CNN的恶意软件分类方法

越来越多的恶意软件变种给网络安全带来了巨大的威胁,导致了现有基于CNN(Convolutional Neural Networks)的恶意软件分类方法的泛化能力弱和准确性不足.为了解决这些问题,本文提出了一种新的方法,即基于改进CNN的恶意软件RGB(Red Green Blue)可视化的分类方法,可以抵御变种和混淆性恶意软件.首先,提出了一种基于RGB图像的特征表示方法,该方法更加关注恶意软件的二进制和汇编信息、API信息间的语义关系,生成具有更丰富纹理信息的图像,可以挖掘恶意代码原始与变种之间更深层的依赖关系.其次,针对恶意软件的加密和混淆问题,使用坐标注意力模块(Coordinate Attention Module,CAM)获取更大范围的空间信息来强化特征.最后,结合空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)来改进CNN模型,解决因图像尺寸归一化导致的信息丢失和冗余.实验结果表明,上述方法在最近的先进方法中脱颖而出,对Kaggle数据集和DataCon数据集的准确率分别达到99.48%和97.78%.与其它方法相比,该方法对Kaggle数据集的准确率提高了0.22%,对DataCon数据集的准确率提高了0.80%.本文方法可以有效地分类恶意软件和恶意软件家族变种,具有良好的泛化能力和抗混淆能力.

基于上下文信息的遥感图像目标检测

针对遥感图像中背景复杂多样、目标密集和尺度差异性大,容易造成小目标漏检和误检的问题,以YOLOv5s算法为网络基础框架,提出一种基于上下文信息的遥感图像目标检测算法。首先,设计上下文模块(CM)并添加在主干网络,增大目标区域特征的感知范围,获取更多的上下文信息,提升模型对小尺度目标的检测能力;其次,在特征主干网络中引入坐标注意力(CA)模块,加强模型对浅层网络中目标位置信息的识别能力;最后,将空间金字塔池化模块替换为空洞空间卷积金字塔(ASPP)模块,实现全局信息和局部信息相融合,进一步增强小目标的语义信息。实验结果表明,在RSOD数据集上,改进后算法的mAP_(50)为97.9%,相比原YOLOv5s算法提高了1.7个百分点;FPS达到71帧/s,满足实时性检测的要求。相比其他检测算法,改进后算法具有更低的漏检率和误检率,检测性能更加优秀。